【机械零件压印字符图像预处理技术分析6500字】

32机械零件压印字符图像预处理技术分析目录TOC\o"1-3"\h\u109机械零件压印字符图像预处理技术分析 1259221.1图像信息增强 1107051.2零件图像滤波去噪 2298031.3零件图像倾斜校正 5142011.4压印字符定位、分割、识别 106881.4.1字符定位 10115441.4.2字符分割 11281981.4.3字符识别 12在对零件图像进行采集之后得到的零件图像仍然有一些问题，例如会出现油渍多、采集位置不合适等问题，在图像采集过程中，大大缓和了零件表面反光的不容易检测的问题，但是因为零件表面和字符较相似不容易区分，同时也还存在其他问题：（1）在零件表面提取特征的同时，容易受到噪声的影响（2）零件装配或者检测过程中存在零件字符倾斜的状况。所以还需要针对以上问题对零件图像进行预处理包括图像信息增强、图像过滤、倾斜校正。1.1图像信息增强在对图像进行预处理时。可能因为检测到的零件图像特征不清晰，或者较为模糊，这时需要对零件的信息特征进行图像信息增强，加强图像信息对比度。以便于后续操作的进行，这里针对于零件图像介绍了几种常用的图像信息增强的算法。（1）直方图均衡图像增强在图像进行灰度处理后，因为分布的关系，图像的对比度可能不高，图像信息不明确，而该方法就是加强图像的对比度，即使灰度处理后的灰度值能够均匀分布来使图像信息增强。（2）伽玛校正图像增强这种图像增强的基本原理是处理图像信息中较为不足的地方，或者将缺失的图像特征进行修复处理。（3）Retinex算法图像增强这种算法的基本原理是它是基于零件表面本身的反射能力决定图像的信息呈现程度，而不是根据外在曝光，光照的影响决定的，它可以对不同类型的零件进行图像信息增强，是生过中比较常见的一种图像增强方法，使用Retinex算法图像增强后的图像较为明显，可行性较高，因此本文应用该算法进行图像信息的增强。可由如下公式3-1所示：fx，y=R（x，y其中fx，y表示图像，R（x，y）rx，y=logR（x，y）=log⁡其中rx，y表示的是输出图像，Fx，y表示的是中心环绕函数，而∗表示卷积符号。最后可以表示为公式3-4其中c是高斯环绕尺度，Fx，y=λ最后还需要满足一个条件：F1.2零件图像滤波去噪在对零件图像信息的质量进行增强后，虽然子图的特征变得更加突出，但图像中的噪声却无法得到抑制。因此，要用滤波的方法来过滤零件图像中的噪声。下面对几种过滤方法进行了以下研究和比较实验。（1）均值滤波这是一种常用的滤波方法，它的原理是将一个图像中某一个像素点旁边的平均值当作这个点的像素点，通常，选择一个N点作为滤波核，再将模板的中点与需要过滤的图像像素点f(i,j)对齐，再将得到的滤波核卷积运算除以N得到一个值，使这个值替换原来图像中的像素点f(i,j)，滤波核变得越大，说明它的平滑效果就越好，但是也会使图像变得有点模糊，而且运算更加复杂，综上要根据自己的需求来选择模板。一般选择3X3的模板如图1.1（a），但如果中心点相对图像比较重要，可以将这些像素点进行加权，以获得具有加权系数的平均滤波，如图1.1（b）（a）普通均值滤波模板（b）加权均值滤波模板图1.1均值滤波模板（2）中值滤波与经典方法相比，中值滤波更加接近一种统计原理，滤波过程中往往选择N×N的中值滤波核来对图像f(i,j)上对应的中值滤波的窗口的像素点进行排序，通过运算对中值滤波核窗口对应的f(i,j)上的灰度值进行排序，然后将窗口中的中心像素点（i,j）的灰度值替换成中值。中值滤波后的图像f(i,j)像素点运算公式如下3-5：gx，y其中：K是N×N的中值滤波核。它不仅可以过滤掉零件图像表面的噪声，还能完整的保留边缘的细节特点。图1.2是当N等于3的中值滤波图[14[14]张传果.柱面压印字符识别算法研究和实现[D].广东工业大学,2017.图1.2中值滤波示意图（3）高斯滤波对比与上述滤波，高斯滤波则是相对于较为平滑的滤波方式：可以去除图像中的正交散射的噪声，该滤波和均值滤波有点相同，高斯滤波是对零件图像像素点的灰度值进行加权处理，用处理后的灰度值代替零件图像像素点的灰度值[15[15]李建美.标牌压印字符图像获取与处理中的关键技术研究[D].山东大学,2008.ℎx，y其中（x,y）表示的是中心坐标点，σ表示的是二维高斯函数的标准偏差[16[16]段西利.工业工件复杂表面的字符识别方法研究[D].西安理工大学,2019.由于该高斯函数是二维的，所以操作之前要对其进行离散化，假设原图像的像素点为(i,j)，对应的像素点的加权平均数H(i,j)可以为公式3-7其中k表示高斯滤波器的核大小Hi，j从上式（3-7）能够表明（2k+1）×（2k+1）比例窗模板，当k=1时，3×3高斯滤波模板为：M=116一般来说，在使用高斯滤波剔除图像时，要根据情况说明k和o的值。K一般为1、2、3。σ值越大，表明去噪的效果也就越好，但是也会使图像的特征变小；σ值越小，去噪效果也就越不明显。因此，应分析图像的噪声特性，并选择适当的参数值[17[17]余义.基于机器视觉的车门限位器检测与识别研究及实现[D].南京邮电大学,2019.（4）双边滤波该算法根据每个零件图像中像素点周围的相近信息或者灰度值相近来进行不一样的处理，它是一种非线性的滤波方法，一般来说，双边滤波可以表示两个高斯滤波，一个计算像素点的权值，一个计算与它相似的权值，再将计算出来的权值进行卷积计算，这样不仅能去除掉图像表面的噪声，还能使边缘的细节更加明显，双边滤波公式如下[18[18]丁世飞,齐丙娟,谭红艳.支持向量机理论与算法研究综述.电子科技大学学报,2011,40(1):2-10.Kx，y其中：k(x,y)是去噪后的图像，ωn表示归一化参数，ωr(i,j)是空间域的权重，ωs(i,j)表示灰度域的权重，f(i,j)是带有噪声的原始图像。Ω是像素（x,y）处的邻域。其中[19[19]蒋檬凡.工程图纸中字符检测与识别方法的研究[D].电子科技大学,2019.ωsωr该滤波中的空间域权值ωr（i，j）和灰度域权值ωs（i，j）也代表高斯函数，由（3-9）、（3-10）（3-11）可以得到两个高斯函数的sigma值，由得到的sigma值可以决定双边滤波的效果。用上述过滤算法过滤后的图像后。其中，中值滤波后的结果在一定程度上被过滤掉了噪声，但字符的细节没有得到更好的保留。中值滤波虽然保存了图像字符的细节，但是依然没有去除噪声。高斯滤波的结果是虽然已经过滤掉了很多噪音，但对字符细节的保留并不理想。双边滤波的结果是字符边缘的细节被保留了下来，但大部分的噪声被过滤掉了。因此，这也是本文采用双边过滤作为该系统过滤算法的原因。1.3零件图像倾斜校正由于检测系统是在人工装载端进行操作，所以在操作过程中难免会出现误差，使采集到的图像发生倾斜，这样影响到了字符识别，对后续的定位也有很大的影响，所以这就需要运用到了零件图像的倾斜校正，在零件的图像上放置一条水平的直线，即可以参考对照这条直线，如图1.3所示L1就是零件图像中放置的一条直线，若该直线是水平的，即说明这个零件图像也是准确的，没有发生倾斜，但是如果这条直线倾斜了，代表图像也发生了倾斜，且对应的角度也是一样的，下面就探讨一下如何利用这条直线对零件的图像进行倾斜校正。图1.3零件图像直线示意图（1）基于Hough变换的倾斜校正该倾斜校正方法的原理就是在一个参数空间中利用线和点的对偶性将零图像中检测问题转化成参数问题，这样更加直观，可以将图像中的直线代表倾斜角来校正图像，Hough变换运用非常广泛。如果一条直线在空间坐标系中，那么它的斜率和截图的关系就可以表示为如（3-8）所示：y=ax+b(3-12)如果x，y被认为是参数，a，b是变量，那么空间坐标系中的点（x，y）对应于参数空间中的一条线，即x表示斜率，y表示截图，那么b就表示自变量[20[20]王丽.红外双目测距技术研究与应用[D].江苏科技大学,2015.b=ax+y(3-13)综上可知，零件图像中直线的空间问题就可以转化成统计问题，这样更加明确，表示也更直观。（2）边缘检测如果单纯直接检测零件图像中的像素点，那么运算量会非常大，所以可以选取一些变化相对明显的点来反映图像灰度值的变化，再对这些点进行求导或者最小值，这样可以大大减少运算量，其边界就是最大梯度的方向。下图显示，当图像中一个像素的灰度值没有发生变化时和没有发生变化时导数的变化，没有变化时一阶导数和二阶导数就为零，表明存在一个边界点，那么就说明一阶导数是一个常数，所以判断是否存在边界点的依据是通过一阶导数[21[21]褚辉,赖惠成.一种改进的B神经网络算法及其应用[J].计算机仿真,2007(4):75-77.图1.4灰度斜坡以及导数图综上所述，如果要确定一个零件图像中一个点xy的梯度值就可以用公式（3-13）所示，且这是一个连续的灰度图像[22[22]陈先昌.基于卷积神经网络的深度学习算法与应用研究[D].浙江:浙江工商大学,2013:23-31.∇fx，y则点θ(x,y)处的梯度方向角和梯度幅值f(x,y)的公式如下[23[23]颜若尘.基于云模型的工件图像识别技术研究[D].江苏科技大学,2019.θx，y=∇fx，y=边缘检测中会出有不一样的运算符，也就是边缘算子，下面介绍几种常见缘算子：Sobel算子索贝尔算法的原理是利用模型遍历图像，再将区域中的点进行加权，然后在此基础上推导出每个像素点的梯度，后续再引用前面提到的高斯平滑，就可以得到我们所需的边缘检测，如公式（3-17）所示[24[24]王小兵,孙久运.一种新型高斯噪声滤波算法.北华大学学报(自然),2011,12(5):606-609.Gx=−1B.Prewitt算子该算子的原理是计算一个零件图像范围内像素点的平均灰度值，再由得到的值进行边缘检测，这样能大大减少噪声影响边缘检测，如公式（3-18）所示。Gx=−1C.Canny算子。在边缘检测中Canny算子是最常用的。因为它的特点是根据信噪比和定位的关系，通过计算他们的乘积来得到最佳近似算子。因为该算子的检测效果良好，所以本文的边缘检测处理通过Canny算子进行，以获得图像边缘的线性信息。Canny算子的原理：对于灰度图像来说，也就是灰度值有一个明显变化，就是表明灰度值的一个强烈变化。怎么表征这种灰度值的变化呢？导数就是表征变化率的，但是数字图像都是离散的，也就是导数肯定会用差分来代替。也就是具体算法中的步骤2。但是在真实的图像中，一般会有噪声，噪声会影响梯的计算，所以步骤1上来先滤波。理论上放大零件图像中的像素点，同时也就是这个点的梯度值会增大，但是这也不完全可以代表边缘检测。在该算法中的非极大值抑制也就是步骤3，就是为了找到零件图像中的最大像素点，为后续的边缘检测做铺垫，同时这也是边缘检测很重要的一步。步骤4，是一个典型算法，有时候我们并不像一刀切，边缘点的选择不仅仅是以阈值为标准，它也可能是超过阈值，或者说是这些点是阈值高的一边的延伸。因此采用步骤四是用双阈值进行检测。（3）Hough直线检测假设一条直线L，如图1.5(a)所示，由刚刚介绍的边缘检测，线上有边缘点，假设A是边缘线上的一个点。由此可见，当无限多的直线通过A点时，在参数空间中是一个点的集合，通过连接这些点，能够得到σ1.而σ1是一条曲线，同样，无限多的直线通过B点，在参数空间中会形成一个点的集合，形成一条曲线σ2.再把这些像素点进行连接，可以形成无限多的直线，曲线[25][25]柴宝仁.中值滤波在气象传真图中降噪的分析.北京理工大学学报,2011,31（4）：417-419.（a）直角坐标系（b）参数空间组坐标系图1.5Hough变换检测直线原理综上所述了解到如何进行直线的检测：检测直线时，设计了一个累加器，它的作用是记录曲线的数量，每条与此交点相交的曲线，累加器都要加1。最后，加上所需的阈值的最大值，就可以得到想要的过滤直线。由上可以了解到最长的直线是零件表面的上端。因此，在检测这条直线时，只需使用累加器在峰值点中获得最大的值来过滤这条直线，并进行倾斜角的计算即可。下面就是计算的公式，其中假设A(x,y)，参数空间中的对应点为(ρ,θ)最后变成(x1,y1)，α是旋转角度[26]李恺,王小捷,韩微微.芯片识别定位系统中LED光源的应用研究[J].电子工业专用设备,2012,41(12):40-46.x1y1综上所述，完成倾斜校正的一般流程为首先输入图像，再由Canny算子的方法对图像进行边缘检测处理，和零件最长直线进行Hough变换，统计并计算超过阀值的数量，筛选最长的直线并对比水平线倾斜的角度，最后得到的数据参照水平线进行倾斜校正操作。倾斜校正的过程表现的很好，达到了预期的目的，减少了外在因素的影响，为后续的字符定位、分割和识别奠定了基础。1.4压印字符定位、分割、识别1.4.1字符定位以上对零件的降噪、图像过滤处理后，在一定程度上减少了零件字符识别的影响因素，但还存在一些干扰因素，比如零件上可能会出现外界影响，碰撞，划痕等，所以要对零件表面字符进行定位，即需要计算相邻字符之间的距离。目前为止，字符定位的方法主要有（SSDA）、（MAD）、（NCC）等，分别表示序惯相似性检测算法、平均绝对差值算法、以及归一化积相关算法。本文可用最后一中NCC即归一化积相关算法进行字符定位[27[27]周志明,王以治,黄文芝,王宁宁.基于小波和支持向量机的人脸识别技术[J].计算机工程与应用,2004,12:52-54.（1）MAD法这种方法属于一种模板匹配算法，且具有速度较快、精度较高的优点其表达式为[28]席瑞骏,肖双江,杨慧,刘华.光学镜头成像质量研究[J].物理实验,2019,39(05):42-46.：[28]席瑞骏,肖双江,杨慧,刘华.光学镜头成像质量研究[J].物理实验,2019,39(05):42-46.其中S（x，y）是原始图像，m×n是其大小，t1×t2模板图像，1≤i≤m−t1+1（2）SSDA法这种方法和上述一样也属于一种模板匹配算法，同样也有匹配速度较快的优点，它的基本原理是通过模板和模板子图中出现的绝对误差的大小或超过阀值的数量来判断的。其中绝对误差的表达式如下：εi，jT（i，j）其中Si，j表示的是平均灰度值，SSDA法与上述提到的MAD法有一点类似，都是需要选定一个阀值，然后绝对误差超过阀值的数量来判断相似度，超过的数量越多代表的相似度越低，反之，超过的数量越少，相似度也就越高，它的影响因素主要由曝光强度引起的（3）归一化积相关法这种方法在字符定位中是比较常见的，它的基本思想是匹配子图与模板之间的灰度值，来确定位置的，同样它的流程也类似与上面两种方法，它的表达式为[29[29]方玲玉,龚文友.基于SVM多分类的车牌相似字符识别方法研究[J].计算机与数字工程,2017,45(07):1411-1415.R（3-25）上述公式中，原始坐标点是m，n，S1.4.2字符分割（1）二值化法完成字符定位后，还需要将字符进